Deep Agents 工作流------多 Agent 协作模式
前言
Deep Agents 工作流------多 Agent 协作模式 是 前沿技术追踪 系列中的重要话题。本文基于 AgentInterview 项目的实践整理而成。
核心内容
README
AgentInterview: AI 面试与成长知识库
给正在进入 AI 时代的开发者，一套能系统学习、能查漏补缺、也能直接用于面试准备的知识库。
这里不只是"题库",也不只是"资料收集"。更准确地说，它是一份围绕 AIGC / LLM / Agent / RAG / AI 工程化 持续整理的成长型仓库:
- 帮你建立知识结构
- 帮你理解热门概念背后的真实工程问题
- 帮你把前沿资料转成可学习、可复习、可表达的内容
🚀 快速使用
方式一：直接阅读（推荐新手）
适合人群：想系统学习 AI 知识，准备面试或转行
方式二：通过 OpenClaw Skills 使用（推荐从业者）
适合人群：需要快速查询、整理资料、生成面试答案的专业人士
如果你使用 OpenClaw 作为个人 AI 助手，可以将本知识库作为 Skill 导入，让 AI 帮你查询和整理资料。
📦 创建方法
在 ~/.openclaw/workspace/skills/ 目录下创建 agent-interview/SKILL.md：
markdown
---
name: agent-interview
description: AI 面试与成长知识库。提供面试题库、开发技能、Agent 架构、项目建议等查询与整理服务。触发词：AI 面试、Agent、RAG、LLM、AIGC、开发者成长。
---
定时加载仓库：https://github.com/zhouzhupianbei/AgentInterview
当用户提问 AI 面试或开发相关知识时，优先从仓库中查询并整理答案。🔧 使用方式
配置完成后，在 OpenClaw 中直接询问：
RAG 系统面试常问哪些问题？
如何设计一个 AI Agent 系统？
帮我准备一份 AI 工程师面试的自我介绍AI 会自动从知识库中检索并整理答案！
方式三：克隆到本地（推荐开发者）
适合人群：想离线阅读、二次开发、贡献内容
bash
git clone https://github.com/zhouzhupianbei/AgentInterview.git
cd AgentInterview这份仓库适合谁
1. 正在准备 AI 岗位面试的人
适合你快速建立面试地图:
- 哪些知识点最常考
- 哪些方向已经从"加分项"变成"基础项"
- 哪些热门名词需要真正讲明白,而不是只会背概念
2. 想转向 AI 开发的工程师
适合你建立一条更清晰的学习路径:
- 从 AIGC 基础到 LLM 应用开发
- 从 Prompt 到 RAG 到 Agent
- 从"会调用 API"到"能讲工程系统"
3. 想系统补齐 AI 工程能力的开发者
适合你做知识整理和能力补位:
- 哪些能力适合先学
- 哪些方向已经值得投入
- 哪些工具、框架、范式需要建立判断
建议怎么用
路线 A:面试冲刺
适合最近 2-4 周就要面试的人。
建议顺序:
重点目标:
- 先建立高频题框架
- 再补自己最薄弱的主题
- 最后补前沿热点与案例表达
路线 B:系统学习
适合希望把 AI 开发能力真正补起来的人。
建议顺序:
重点目标:
- 建立完整知识框架
- 理解
06-资源汇总.md
06-资源汇总
这一章不是简单罗列课程、书籍和项目，而是帮你回答一个更实际的问题：如果我要真正把 AI 开发能力补起来，哪些资源值得看，应该先看什么，后看什么？
这里的资源会尽量围绕"学习价值"和"可执行性"来整理，而不是只看热度。
怎么读这一章
如果你刚入门
优先看学习路线图，再挑中文课程和入门项目，不要一上来就冲最热框架。
如果你已经在做项目
优先看开源项目推荐和工程实践类资料，重点关注：
- RAG
- Agent
- 工程化
- 部署与评估
如果你在准备面试
优先看：
- 学习路线图
- 开源项目推荐
- 微信文章精选
因为面试里经常会问：
- 你平时怎么学习
- 你关注哪些框架
- 你怎么看某个新趋势
6.1 学习路线图
0 → 1 入门（1-2 个月）
第 1-2 周：Python 基础
├── 语法基础
├── 数据结构（列表、字典、集合）
├── 函数和模块
└── 面向对象
第 3-4 周：深度学习基础
├── 神经网络基础
├── PyTorch/TensorFlow
├── CNN/RNN
└── 实战：图像分类
第 5-6 周：Transformer 入门
├── Self-Attention 原理
├── Transformer 架构
├── BERT/GPT 简介
└── 实战：文本分类
第 7-8 周：LLM 应用开发
├── Prompt Engineering
├── LangChain 基础
├── API 调用
└── 实战：简单问答机器人1 → 10 进阶（3-6 个月）
第 1-2 月：深入理解 LLM
├── Transformer 细节（RoPE、SwiGLU）
├── 主流模型对比（LLaMA、Qwen、Claude）
├── Tokenization 技术
└── 实战：从零实现 Transformer
第 3-4 月：RAG 与 Agent
├── 向量数据库（Chroma、FAISS）
├── RAG 优化技巧
├── Agent 设计模式
└── 实战：企业知识库系统
第 5-6 月：微调与部署
├── LoRA/
## 总结
希望本文能帮你更好地理解 前沿技术追踪。
---
## 📚 关于本项目
**GitHub**: https://github.com/zhouzhupianbei/AgentInterview
欢迎 Star ⭐️ 关注！
---
*整理于 2026年04月09日*